Удержать посетителя на сайте, предлагая ознакомиться с другими интересными публикациями, можно по-разному, и не всегда один метод подходит всем ресурсам без исключения. В статье расскажем, почему не все рекомендации одинаково полезны, и как найти свой подход к читателям.
Перелинковка и «ручные» рекомендации
Начать стоит с самого популярного способа, используемого в блогах и на небольших информационных ресурсах. Суть метода в том, что для каждой публикации подбираются статьи, полнее раскрывающие тему или посвященные схожим событиям. Ссылки на эти материалы ставит сам редактор ресурса либо в теле статьи, либо под текстом. Ясно, что предложение неинтересного и не связанного с темой контента в этом случае практически исключено.
Ошибки здесь могут быть связаны только с невнимательностью редактора. Такая работа требует не только простановки ссылок для каждого нового материала, но и постоянного отслеживания рекомендаций в уже опубликованных статьях. Это особенно актуально для сайтов, тематика которых связана с постоянно изменяющейся информацией. По мере необходимости ссылки нужно заменять на более актуальные или добавлять в блок рекомендаций старых публикаций ссылки на новые статьи, рассказывающие о последних событиях в отрасли.
Разумеется, внутренняя перелинковка необходима любому сайту, но на крупных ресурсах вести такую работу вручную практически невозможно. На помощь приходят способы автоматизации процесса.
Рекомендации контента по разделам
В этом случае читателю предлагается ознакомиться с другими материалами раздела, статья из которого привлекла его внимание. Этот очевидный способ рекомендации используется часто, но не всегда успешно. Отсутствие интереса читателя к подборке схожих публикаций может быть вызвано разными причинами, но, как правило, он либо уже нашел все, что хотел, либо предлагаемый контент не добавляет ничего нового к прочитанному. Возможно и другое - посетитель интересуется разными разделами и уходит на поиски других публикаций. Проверить причины низкого CTR такого блока рекомендаций помогут системы веб-аналитики, отслеживающие поведение пользователей на сайте.
Этот способ рекомендации больше подходит для ресурсов, посвященных одной широкой теме. Например, контент сайта о современных музыкальных направлениях разбит на группы публикаций о каждом стиле. Тогда читатель, заинтересовавшийся материалом из раздела «R’n’B», благосклонно воспримет предложение узнать больше именно об этом направлении. И напротив, сайтам, на которых собрана информация «обо всем на свете», потребуются более точные настройки автоматического подбора рекомендаций.
Рекомендации контента по тегам
Этот способ основан на предложении читателю статей, отмеченных теми же тегами, что и просмотренная публикация. С одной стороны, все логично: если посетитель интересуется темой, нужно обеспечить ему максимально глубокое погружение и рассказать все, что только можно. С другой стороны, контент с такими же тегами может оказаться совершенно не нужным.
При реализации этого метода формирования блока рекомендаций важно правильно подбирать и проставлять теги. Общие понятия нужно дополнять более точными, специфические материалы можно отмечать собственными, внутренними, хэштегами. Верная настройка алгоритма действительно заставит посетителя задержаться. К тому же, такой метод хорошо подходит крупным ресурсам, публикующим контент самого разного содержания. Но все зависит от безошибочной настройки алгоритма: публикации об Анджелине Джоли и Патрисии Каас могут иметь общие теги, а целевая аудитория у такого контента разная.
Рекомендации контента по предпочтениям
Такой метод разработан давно и используется в основном для рекомендации видео-контента. Коллаборативная фильтрация, основанная на действиях пользователей, позволяет предлагать публикации новым посетителям, исходя из того, какой контент выбирали другие пользователи. Предположим, читатель изучил статью о раскопках в Приполярном Урале, затем просмотрел новости из раздела «Светская жизнь» и завершил путешествие по сайту просмотром ролика о принципе работы андронного коллайдера. Алгоритм запоминает это порядок действий и предлагает сплетни о «звездах» следующему любителю археологии, зашедшему на сайт.
Конечно, точная работа алгоритма невозможна без постоянного машинного обучения. Благодаря этому рекомендации становятся все более полезными и интересными для большинства посетителей сайта. Но всегда стоит помнить о читателях, ищущих свои пути. Поэтому по возможности следует предложить посетителям дать системе сигнал о своих настоящих, а не предполагаемых, предпочтениях. Например, можно сообщить: «Вы видите эти рекомендации, потому что вам интересен Приполярный Урал». Тогда пользователи, которые читали материал о раскопках по каким-то иным причинам, получат возможность отказаться от предложений, основанных на чужих предпочтениях.
Что выбрать?
Конечно, многое зависит от тематики и размера сайта. Блогами и небольшими тематическими порталами можно управлять вручную, тогда как информационно-развлекательные ресурсы, несомненно, нуждаются в автоматизации формирования блока рекомендаций.
На сегодняшний день существует несколько сервисов, предлагающих свои алгоритмы. Но готовые решения подходят не всем - нужно учитывать особенности целевой аудитории. Оптимальным вариантом может стать создание собственного алгоритма, основанного на действиях посетителей сайта, а не на представлениях сторонних разработчиков о том, как должно быть у всех.
Проще всего узнать, чего ждут постоянные посетители, и подобрать способ рекомендации, устраивающий аудиторию. Можно протестировать разные варианты и выбрать тот, что вызовет наибольший отклик. Главное, руководствоваться удобством для посетителей.
